Для Middle / Senior розробників і Tech Leads

Опануйте мультиагентну
AI-розробку і Spec-Driven Development щоб адаптувати стек під ринкові вимоги та стати AI Engineer

Cпікер
Іван Лапа
UI Engineer L5 у Netflix · 12 років як Engineer / Team & Tech Lead
Будував AI-продукти в єдинорогах DataRobot і Gelato (AI-агенти)
AI-adoption консультант для Google, МЗС України, Skelar, Obrio, GR8
Іван Лапа
UI Engineer L5 у Netflix
5 тижнів
-30% вартості агентів
Агенти рев'юють PR у вашому CI
Останній потік року: 16 листопада
Програма навчання
Дізнатись умови
5 тижнів, 8 уроків
від AI-асистента до агентнихсистем у проді
Capstone DevDigest:
власні агенти ревʼюять PR автономно в CI + evals, щоб якість не падала тихо
−30% вартості агентів
і готовий план AI-впровадження для твоєї команди
Старт:
16 листопада
Останній потік року
15 місць

Що ви отримаєте

  • Робоча AI-платформа code review
  • 2 автономні агенти-рев'юери + evals і плагін в один файл
  • Готові Skills, промпти й конфіги з першого дня
  • План AI-впровадження для команди
* Матеріали курсу не містять внутрішньої, конфіденційної чи службової інформації Netflix або інших компаній і жодних матеріалів, повʼязаних з Netflix. Усі думки та оцінки належать особисто автору.

74% компаній називають неточність AI ключовим ризиком

AI пише швидко й переконливо. Але помилки часто помічають лише під час review або вже після релізу

AI вигадує те, чого немає у проєкті

неіснуючі методи, API та файли, ігнорує style guide

Тести проходять, але довіряти не можна

edge cases пропущені, ризик залишається

Перевірка AI займає більше часу, ніж написання

Перевірка AI займає більше часу, ніж написання

Витрати на AI ростуть швидше, ніж результат

1 таск = 8+ платних викликів: planner, coder, reviewer, verifier і retries

AI вигадує те, чого немає у вашому проекті

Посилається на неіснуючі методи, API та файли, ігнорує style guide або знову змінює auth-модуль. Ви виправляєте ті самі помилки в кожній новій сесії

Тести проходять, але результату не можна довіряти

AI закриває happy path, пропускає edge cases і будує реалізацію на власних припущеннях, яких не було у вимогах. Формально все працює — фактично ризик залишається

Ви перевіряєте AI довше, ніж писали б самі

5 хвилин генерації перетворюються на 5 годин code review, дебагу, переробок і повторного пояснення контексту. Швидкість AI не стає швидкістю команди

200K токенів ≠ розуміння проєкту

Контекст, agent loops, retries і перевірки множать AI-витрати в масштабі команди
1 таск
= 8+ платних AI-викликів. Planner, coder, reviewer, verifier і retries множать токени на кожному кроці
−19%
швидкості з AI. У дослідженні METR досвідчені devs витратили більше часу на задачі через review і виправлення
$132K
на місяць навіть по $0.03 за запит. 10 000 людей × 20 запитів × 22 дні = 4,4 млн AI-викликів
Без токен-економіки AI не економить
На курсі ви навчитеся створювати надійні агентні системи з eval, пам’яттю, моніторингом і контролем витрат на токени
Навчіться будувати надійних агентів
з eval і контролем витрат, без втрати власних скілів
Останній потік року:
16 листопада
Зайняти місце

Автор та викладач

Іван Лапа
Senior UI Engineer у Netflix
12
12 років в інженерії — від Front-end до Team / Tech Lead
Будував AI-агентів для проду в Gelato (норвезький єдиноріг)
Створював AI-продукт Feature Discovery у DataRobot (AI-єдиноріг)
Daily user Claude Code & Cursor з 2024
Консультує по AI-adoption: Google · МЗС України · Skelar · Obrio · GR8

Але цей практичний спринт не для всіх

Підходить
Middle developer, який самостійно бере фічі та проходить PR review
Senior developer, що хоче побудувати AI-workflow який новий член команди відтворює за один артефакт
Tech Lead, який обирає інструменти та процеси для команди
Інженер з 1+ місяцем досвіду з Cursor / Claude Code / Copilot
Той, хто пише тести, має CI/CD, знайомий з Git workflows
Не підходить
Junior без досвіду з PR, тестами, CI/CD
Той, хто очікує «AI напише за мене» без specs і verification
No-code аудиторія
Той, хто шукає overview-презентацію — це hands-on intensive з 5–7 год/тиждень take-home

В основі програми
4-pillar harness framework - новий industry-standard

SKILLS
SUBAGENTS
MCP
HOOKS
ТИЖДЕНЬ 01

System Design

L01

Harness: 4 компоненти + 5-фазний workflow

perception-gap аудит · CLAUDE.md v1 · surface map
L02

Skills Layer: постійні інструкції між сесіями

3+ Skills · CLAUDE.md ≤200 рядків · /spec /plan /commit
ТИЖДЕНЬ 02

Agent Topology

L03

Ізоляція контексту: Hub-and-Spoke vs Peer Mesh

5 subagents · dispatch matrix · cost-per-topology звіт
L04

MCP інтеграція: зовнішні сервіси за єдиним протоколом

custom MCP server ~50 рядків · token budget аудит · hybrid Skill+MCP
ТИЖДЕНЬ 03

CI Pipeline

L05

Spec-Driven Development: spec → plan → implement → verify

spec.md + plan.md · feature за $17.42 · retro-spec
L06

Quality Gates: hooks → TDD → plan-verifier → evals

3 hooks · plan-verifier у CI · 20-trace eval · mutation report
ТИЖДЕНЬ 04

Масштаб + Production

L07

Паралельний fan-out: worktree × 3 агенти + migration playbook

working migration · fan-out log · cost delta звіт
L08

Plugin packaging + CI agents + 30-day rollout

FINAL BUNDLE: harness plugin · CI agent · deployed DevDigest v1
Хочу приєднатись до спринту

Фінальний проєкт — DevDigest

AI-платформа для code review, яку ти будуєш як full-stack capstone

PR Review

— структурований розбір кожного PR: Intent / Scope / Risk + PR Score, Blast Radius (що зачіпає зміна: symbols → callers → endpoints), і Findings за severity з точним file:line, рівнем confidence і готовим fix

Конструктор агентів

— агент = модель + prompt + skills + output schema (Security / Performance / Junior Mentor reviewers)

Skills Lab

— перевикористовувані навички-модулі (secret-leakage-gate, lethal-trifecta, pr-quality-rubric), що складаються в промпт

Evals

— тест-кейси для агента: симулюють діф і ассертять очікуваний вивід, із pass/fail, часом і вартістю

Multi-Agent Review

— один PR паралельно через усіх агентів (fan-out на worktrees) + секція «Where agents disagree»

Repo Intelligence

— auto-onboarding по репо, індексація PRD як grounding, Conformance Report (Implemented / Missing / Scope creep)

Memory (pgvector)

— курована пам'ять рішень і конвенцій, яку агенти підтягують у рев'ю

Ops-шар

— Run Trace з токенами й вартістю, accept-rate як сигнал якості, Export to CI (GitHub Actions / CircleCI / Jenkins)

До навчання vs Після

Ви будуєте власну інженерну систему, де AI-агенти — члени команди з ролями, обмеженнями та чіткою комунікацією

До навчання:

Промпт → AI генерує код → 40 хв review → rework
Виправляєте AI на одній помилці втретє
"AI зробив, мабуть, правильно" + 100% coverage
Міграція з однієї бібліотеки на іншу (близько 50 файлів) за місяць
"AI = швидше" як єдиний момент чому нам потрібен АІ

Після навчання:

5 агентів паралельно, або послідовно -> Code reviewer + security check на CI
Записуєте Skill — AI дотримується автоматично, для всієї команди
Hooks блокують поганий код, plan-verifier блокує merge, evals ловлять regression
Worktree fan-out -> Worktrees, паралельні агенти, controlled merge - та ж міграція за тиждень
Прозоре та зрозуміле контролювання бюджету по кожному створенню фічі за допомогою АІ. Розуміння контекст менеджменту та як він впливає на бюджет.

5 тижні. 8 занять. 6 артефактів

ARTIFACT · 01

Deployed Product — DevDigest

Повноцінний web-app: GitHub OAuth, збір PR/issues/commits за тиждень, LLM-generated summary через Anthropic API, доставка в Slack або email. Deployed на Vercel + Railway.
Proof-of-skill у портфоліо і на співбесіді
ARTIFACT · 02

Distributable Harness Plugin

Skills + Subagents + MCP + Hooks + Commands + CLAUDE.md template — упаковані в один artifact. Ставиться на чужу машину однією командою через private marketplace.
Tech Lead роздає команді з понеділка
ARTIFACT · 03

Plan-Verifier у GitHub Actions

Блокує merge, якщо implementation не відповідає spec. Completeness %. File:line issues. Реальна quality gate — не checklist у Notion.
Review cycles до 1–2 ітерацій
ARTIFACT · 04

20-Trace Eval Pipeline

Для LLM-powered features: збираємо 20 трейсів → кластеризуємо за типами помилок → binary judge (pass/fail) → CI як індикатор деградації між PR. Husain & Shankar Jan 2026 methodology.
Regression detection до production
ARTIFACT · 05

Cost Engineering Audit

Model routing (Haiku / Sonnet / Opus), prompt caching, batch API. Референс: $17.42 за повний feature (задокументована практика). Де 30%+ зайвих витрат у вашому workflow.
Знаєш точно скільки коштує кожна фіча — і де скоротити 30%+ без втрати якості
ARTIFACT · 06

30-Day Rollout Doc

Готовий план для команди з понеділка. 10 measurable metrics: time-to-PR, CI pass rate, rework rate, cost per task, cache hit ratio, model routing distribution.
Tech Lead-ready, можна показати VP Engineering
Хочу приєднатись до спринту

Перший Sprint
пройшли 77 інженерів

Хто навчався на Sprint
30%
Team Leads, що масштабують AI у своїх командах
17%
Senior Engineers
27%
Middle Engineers
19%
Інженери із суміжних напрямів
8%
Повертаються в індустрію
Що пишуть учасники
«На роботі закрив tech excellence epic за вчора + сьогодні ранок. 420+ файлів пофіксили з клодом в репо нашого мобільного додатку»
Подивитися повний відгук
«Це перший курс на моїй пам’яті, який справді про практичні навички й побудову продукту — тобто про реальний результат»
Подивитися повний відгук
«Курс мені дуже подобається. Уже зараз часто застосовую деякі компоненти у своїй роботі, особливо Harness, Skills та Sub-agents. Наприклад, використовую їх для автоматизації написання документації — це значно спрощує та пришвидшує процес.»
Подивитися повний відгук
«Почав експериментувати зі Spec-Driven Development для структури майбутнього власного проєкту»
Подивитися повний відгук
«Іван дуже зрозуміло пояснює та ділиться реальним досвідом — і це справді важливо»
Подивитися повний відгук
«Більш обдумано підходжу до використання AI з використанням скілів. Використував агент researcher для пошуку оптимальних рішень.»
Подивитися повний відгук

Вартість 5-тижневого
Production AI Harness Sprint‍

5 тижні / 8 уроків

— теорія + практика і pre-work модуль

DevDigest у твоєму CI

— робоча AI-платформа code review з власними агентами

2 автономні агенти-рев'юери

+ evals + плагін, який команда ставить одним файлом

Готові Skills, промпти й конфіги

— забираєш і застосовуєш з першого дня

Навчає інженер, що будує AI-агентів у проді

— Netflix, два єдинороги
Старт потоку: 16 листопада

Перейдіть від промптів до системного AI Engineering

Залишилось місць
15 / 50
Останній набір року
€770
🔥️️️️️️
Спеціальні умови
дізнавайтесь у менеджера
Дізнатись умови
Бонус

Залік у магістратуру Neoversity
(EQF7, EU диплом)

спеціальна вартість для випускників курсу

Все, що ви хотіли знати про Neoversity

Neoversity — це перший в Україні AI-driven онлайн IT-університет з міжнародною акредитацією.
Програми університету готують фахівців, здатних створювати й упроваджувати власні стартап-проєкти
1500+
студентів навчаються на бакалаврських та магістерських програмах за 2024-2025 роки
76%
студентів магістратури працюють на Middle, Senior чи Lead-позиціях у Google, Meta, Microsoft, EPAM, SoftServe, N-iX, Ciklum і засновують власні стартапи.
Резидент
Diia.City
Кращий EdTech 2024
Next
250
За підтримки інвестицій

Вчіться у тих, хто сьогодні створює AI-майбутнє

Павло Жданов
Альона Вітюк
Євген Яремчук
Кирило Онищенко
Богдан Коваль
Netflix Logo
Нік Білогорський
Facebook Logo
Google Logo
Прокопенко Юрій
Bank Credit Dnipro Logo
Роберт Поттер
2 Internet Logo
Павло Жданов
Альона Вітюк
Євген Яремчук
Кирило Онищенко
Богдан Коваль
Netflix Logo
Нік Білогорський
Facebook Logo
Google Logo
Прокопенко Юрій
Bank Credit Dnipro Logo
Роберт Поттер
2 Internet Logo
Павло Жданов
Альона Вітюк
Євген Яремчук
Кирило Онищенко
Богдан Коваль
Netflix Logo
Нік Білогорський
Facebook Logo
Google Logo
Прокопенко Юрій
Bank Credit Dnipro Logo
Роберт Поттер
2 Internet Logo
Павло Жданов
Альона Вітюк
Євген Яремчук
Кирило Онищенко
Богдан Коваль
Netflix Logo
Нік Білогорський
Facebook Logo
Google Logo
Прокопенко Юрій
Bank Credit Dnipro Logo
Роберт Поттер
2 Internet Logo

Компанії, де працюють ваші майбутні одногрупники

Зазвичай питають перед стартом навчання

У мене зараз багато проєктів. Чи реально вкластись у 4 тижні?

Час на курс: ~3 год live + 5–7 год take-home на тиждень. Заняття 06 і 08 — найважчі (6 год). Усе take-home робиться на capstone DevDigest, який потім працює як портфоліо. Якщо ви зараз шипите фічі через AI без harness — ви вже витрачаєте більше часу на rework, ніж витратите на курс.

Я не впевнений, що дотягую до Mid/Senior. Чи варто йти?

Якщо ви самостійно берете фічі, проходите PR review та маєте досвід з CI/CD — ви готові. Якщо ви ще не пишете тести або не робили PR — спочатку базові курси, потім сюди. Ми не робимо знижку на рівень: програма повноцінно Mid/Senior, і ціль — щоб після курсу ви були не "ще один dev з AI", а той, хто веде команду в нову епоху.

Я вже використовую Cursor / Claude Code щодня. Що нового я тут отримаю?

Ви, ймовірно, вже у топ-30% інженерів. Курс не вчить "як натиснути Tab". Він вчить проєктувати систему: 4-pillar harness, 5-phase workflow, Hub-vs-Mesh decision criteria, plan-verifier у CI, 20-trace evals, cost engineering. Це інженерія процесу, не використання інструменту.

AI-курси зазвичай застарівають за місяць. Чи цей теж?

Конкретні фічі інструментів — так, оновлюються щомісяця. Тому ми вчимо stable framework: 4-pillar harness, 5-phase workflow, SDD discipline, verification у CI, eval-driven development. Це залишається robust протягом 2026 і далі. Конкретні версії tools — plug-in контент, який оновлюємо між запусками.

Скільки коштує курс і чи можна оплатити через компанію?

770 євро за студента (одна дисципліна). Можна оплатити через компанію — даємо рахунок та опис програми. Для команд від 5 людей — пропозиція через сейлз. API budget (~$50 на Anthropic + OpenAI) і Cursor / Claude Code Pro — окремо, але часто покривається роботодавцем.

Що якщо я не встигну виконати take-home?

Усі live-сесії записуються. Take-home — на ваше темпо. Капстон оцінюється по rubric, не по deadline. Але важливо: цінність курсу — у виконанні, не в матеріалах. Якщо ви не зробите hands-on labs — ви забудете 80% за тиждень. Це normal для будь-якого hands-on курсу.

Чи можна на власному production проєкті замість DevDigest?

Так, з дозволу роботодавця. Capstone оцінюється по rubric (15 пунктів). Ви робите ті ж 8 milestones на власному repo. ~30–40% когорти зазвичай обирає альтернативний трек. Виграш: ROI з курсу видно вже на третьому тижні — ваша команда бачить результат.
Безкоштовно при записі на консультацію

2-годинний практикум

«Нова роль розробника в епоху Agent Teams та Spec-Driven Development»
Іван Лапа
Іван Лапа
UI Engineer L5 у Netflix

Парадокс продуктивності — реальні дані

Чому 84% використовують AI але лише 29% довіряють. METR: відчуваєш +20%, по факту -19%

Live демо: мульти-агентна фіча за 5 кроків

Від spec до merge-ready PR. Вартість демо: $17.42 за повний feature (12.4M токенів)

Agent Teams: як не масштабувати хаос

5 сигналів що команда не готова + що побудувати першим

Є питання про курс?

Запишись на консультацію — розберемо твій стек, рівень і чи підходить курс саме тобі та отримай практикум одразу після заповнення форми.
30 хв • безкоштовно
Практикум — одразу після запису
Записатись на консультацію
Вже готовий? Зайняти місце в потоці
Зайняти місце